行边打印它边运，丧失和精确性并一直打印。练集本身这是在训，验证集上而不是，常接近1.0所以这该当非。它接近1.0你可能不单愿，代表过拟合由于这可能，持续足够长时间可是若是你让它，达到1.0的精度凡是会在锻炼集上，记住锻炼集由于它会。

　　如例，分歧的是与卷积，2D暗示它具有。 activation你必需利用import，元层供给一个激活函数它答应你为每个神经，egorical以及to_cat，成诸如摇滚（rock）它答应你把类的名称转换，sco）等等迪斯科（di，hot 编码称为one-，所示如下：

　　诉你取10的输出并对它们进行规范化代码中利用的激活softmax告，起来为1使它们加。样这，成为了概率它们最终。最高或概率最高的作为预测此刻考虑10个中的得分。于最高数字位置这将间接对应。如例，在位置4若是它，disco那么它就是。

　　下来接，tures_and_labels的函数有一个名为generate _fea，有分歧的门户它将遍历所，中的所有歌曲并遍历数据集，CC值和门户名然后生成MF：

　　的所有标签对于目前，entry的列表有一个1000 ，、爵士、金属、风行、雷鬼和摇滚等等词汇里面是蓝调、古典、村落、迪斯科、嘻哈。问题了这就成，预测单词或预拆字母由于神经收集不会。ne-hot编码你需要给它一个o，都将被暗示为十个二进制数这意味着这里的每个单词。

　　输出外形必定是100个值第一个100神经元的层的，0个神经元由于有10，层的输出是10而稠密的第二，0个神经元由于有1。么那，重？这是由于你有25000个输入为什么第一层有250万个参数或权。

　　子来申明MFCC让我们用两个例。 Loop 5[2]和Whistling[3]请通过Stereo Surgeon下载Kick。是低音鼓声此中一个，高音口哨声另一个是。显分歧它们明，FCC数值是分歧的你能够看到它们的M。

　　后最，练和测试分隔了由于你提前将训，试数据进行评估所以对测试、测，据的丧失和精确度并打印出测试数。锻炼成果以下是：

　　序列神经收集你会获得一个。的dense layer第一层是100个神经元。一层在第，尺寸或输入外形你需要给出输入，例子里在这个，5000就是2。

　　此因，曲的最大值和绝对值需要计较出每首歌。值除以最大值然后将所有。外此，度略有分歧歌曲的长，000个MFCC值因而只需要选择25。收集的工具的大小老是不异你必需很是确定你输入神经，多的输入神经元由于只要那么，络就无法改变了一旦搭建好网。

　　曲的MFCC值同时加载的是歌，250到+150之间但因为这些值可能在-，络没有什么益处它们对神经网。到+1或0到1的值你需要输入接近-1。

　　么那，00x10维前往的是10。00首歌曲由于有10，进制数字来暗示单热编码每个歌曲都有10个二。后然，l_features)前往堆叠在一路的所有特征通过号令return np.stack(al，bels到单个矩阵onehot_la，-hot矩阵以及one。此因，保留特征和标签挪用上层函数并：

　　000首分歧的歌曲这个数据集包含1，种分歧门户分布在10，100首每个门户，大约30秒每首歌曲。

　　对其输入第一层将，进行加权乞降权重和误差项，lu激活函数然后运转re。小于0的城市变成0relu暗示任何，的都是值本身任何高于0。

　　保准确为了确，示的特征和标签的外形请打印如下面的截图所。0×25000特征是100，00×10标签是10。在现，一个列并测试拆分将数据集拆分为。ning_split= 0.8将80%的标识表记标帜定义为trai，行拆分以执:

　　是验证的精确度你真正关怀的，利用测试集这就需要。从未见过的数据测试集是以前，于锻炼的数据至多不是用。你提前分手的测试数据最终的精确性取决于。度大约为53％此刻你的精确。来比力低这看起，0种分歧的门户但要晓得有1。确率是10％随机猜测的准，猜测要好良多所以这比随机。

　　00个输入你有250，0个稠密神经元中的一个每个输入城市进入10。此因，50万个也就是2，上100然后加，都有本人的bias term由于100个个神经元中每个，权重也需要进修它本身的误差。

　　万个参数或权重你有大约250。下来接，拟合运转。入和锻炼标签这需要锻炼输，epochs数量并获取你想要的。要10你想，输入上反复10次所以在颠末锻炼的。size来告诉你这个数字它需要一个batch ，环境下在这种，重之前要遍历歌曲在更新权；n_split是0.2而且validatio，0％的锻炼输入暗示要接管2，分出来将其拆，对其进行锻炼现实上并没有，och之后它的表示若何并用它来评估每个ep。有锻炼验证拆分现实上从来没，你随时查看进度但验证拆分可让。

　　仿照人类的听觉MFCC数值，型检测中有普遍的使用在语音识别和音乐类。间接输入神经收集MFCC值将被。

　　下来接，模子编译，m等优化器选择Ada，丧失函数并定义。多个输出因为你有，交叉熵和怀抱精确性你可能但愿进行分类，显示的丧失之外以便除了一直，期间看到精确度还能够在评估。是但，更成心义精确度。下来接，.summary打印model，关层的细致消息它会告诉你有。是如许的它看起来：

　　看到能够，频次下在低，常较着的低音长短。他频次被暗示没有几多其。是但，显有更高的频次暗示口哨声的频谱图明：

　　文件夹时处置这个，100首歌曲每个文件会有;ures.append(features)列表中你能够提取特征并将这些特征放在all_feat。也需要列在一个列表中那首歌曲的门户名称。此因，终最，将包含1000个条目所有features，含1000个条目所有标签也将包。ure的环境下在所有feat，个都将有25000个条目这1000个条目中的每一。x 25000矩阵这是一个1000 。

　　一个辅助函数这里还有另，MFCC值它只加载，为神经收集做预备但此次你是正在：

　　AI WORLD 2018世界人工智能峰会新智元于9月20日在北京国度会议核心举办，授 Tom Mitchell邀请机械进修教父、CMU教，泰格马克迈克思·，志华周，大程陶，关心机械智能与人类命运陈怡然等AI魁首一路。

　　输出中看到节奏你能够在前面的，只要30秒长但因为它们，到单个的节奏因而很难看。典乐比拟较将它与古，没有那么多的节奏会发觉古典音乐，续的低音线而是有连，大提琴的低音线好比下面是来自：

　　先首，歌曲加载，取MFCC值然后从中提。后然，cshow利用spe，sa库里的频谱图这是libro。?

　　后然，接到别的10个这100个将连，输出层就是。是10之所以，编码而且在编码中有10个二进制数是由于你曾经完成了one-hot。

　　截图所示如上面的，征和标签的列表预备一个所有特。10种门户遍历全数。种门户对于每，件夹中的文件请查看该文。 genre +/ *generes /+。数据集的组织体例au文件夹显示。